https://ai.googleblog.com/2020/08/understanding-view-selection-for.html
https://zhuanlan.zhihu.com/p/150736322
这是一个系列类的文章，我会从逻辑，原理，代码等部分来抽茧剥丝的来描述这个问题。
InfoMin原则 在进行对比学习任务（也有说的是对比多视角学习）的过程中，我们假设视角得到最佳结果，应该尽可能在输入中舍弃与任务无关的信息（如对象标签）
关于InfoMin原则的我的理解，在看到代码之后，我理解的InfoMin是一个合适的阈值，视角间（或者说anchor和positive）之间的互信息大小应该选取一个最合适的优化组合（所以这个优化点能不能分步学习到呢，或者使用）
在论文中，作者使用的是 InfoNCE( I NCE ) 来估算互信息量，其为互信息下限的定量度量。我们观察到了一条 反向的 U 型曲线：随着互信息的减少，下游任务的准确率会先升高，然后再降低。
接下来还是来看看代码吧，首先比较狗的一个就是个人认为最关键最重要的那个，view learning，作者你没放出来啊，woc，
等了大半年，依然是毫无消息，那还咋办呢，自己看代码然后复现呗，只能这样，下图的是一些关键信息
